上門AI教學課程內容
Ornith AI 教學課程大綱
兩小時精華班
課程簡介
課程名稱：Ornith-1.0 AI 編碼代理實戰班
課程時數：2 小時（精華版）
授課語言：繁體中文
目標學員：AI 工程師、軟體開發者、技術主管、Agent 開發者、產品經理、研究人員
課程定位：協助學員快速理解 Ornith-1.0 的自我優化訓練思路、工具調用能力、長上下文推理與 agentic coding 應用，並掌握如何把它用於大型程式碼庫分析、開發自動化與 AI 代理工作流。
Ornith-1.0 是 DeepReinforce 推出的開源編碼模型家族，主打 agentic coding 與 self-improving training framework，特色是模型不只學會如何解題，還會學會如何設計自己的訓練 scaffold 。Ornith-1.0 提供 9B Dense、31B Dense、35B MoE 與 397B MoE 等版本，並支援 262K 上下文與 OpenAI 相容介面，適合做工具調用與大型軟體工程任務 。這門課將以實戰方式拆解它的原理與工作流，幫助學員把它真正用進日常開發與 AI 代理系統 。
課程特色
-
聚焦 agentic coding，而不是一般對話模型使用法。
-
以「模型自學 scaffold」的概念理解 Ornith-1.0 的訓練邏輯。
-
涵蓋本地部署、OpenAI 相容 API、工具調用與 agent 框架整合。
-
適合香港及華語區技術團隊、AI 內訓與高階開發工作坊。
課程大綱
第一部分：Ornith 核心概念與定位（20 分鐘）
0–5 分鐘：課程導入
-
課程目標與學習成果。
-
什麼是 agentic coding。
-
Ornith-1.0 與一般 LLM 的差異。
5–15 分鐘：Ornith-1.0 是什麼
-
開源編碼模型家族。
-
9B、31B、35B、397B 四種版本。
-
MIT 授權與全球可用性 。
15–20 分鐘：模型設計重點
-
自我優化訓練框架。
-
不是只優化答案，而是優化解題 scaffold。
-
適合工具調用、程式理解與軟體工程 。
第二部分：訓練原理與性能理解（25 分鐘）
20–30 分鐘：Self-Improving RL 概念
-
什麼是自我改進式強化學習。
-
scaffold 如何影響最終答案品質。
-
與傳統 supervised fine-tuning 的差異。
30–40 分鐘：報酬與風險控制
-
為何 agentic coding 容易出現 reward hacking。
-
研究模型如何避免走捷徑。
-
可解釋性與監控思維。
40–45 分鐘：基準測試解讀
-
Terminal-Bench 2.1。
-
SWE-Bench Verified。
-
NL2Repo 與 ClawEval 。
第三部分：本地部署與 API 接入（25 分鐘）
45–55 分鐘：模型版本與部署選型
-
9B 適合單機與快速測試。
-
35B 適合中型工作站與本地推理。
-
397B 適合多卡伺服與高階 agent 服務 。
55–65 分鐘：OpenAI 相容 API
-
建立本地伺服器。
-
使用 chat completions 介面。
-
讀取 reasoning content 與 tool calls 。
65–70 分鐘：本地工具鏈
-
vLLM、SGLang、Transformers、llama.cpp、Ollama。
-
何時用 GGUF，何時用 FP8。
-
如何銜接既有開發環境 。
第四部分：Agentic Coding 實戰流程（25 分鐘）
70–80 分鐘：大型程式碼庫理解
-
讀取 repo 結構。
-
追蹤模組關聯。
-
找出修改風險點。
80–90 分鐘：工具調用與任務拆解
-
讓模型先規劃，再執行。
-
使用 shell、檔案讀寫、測試工具。
-
按步修正錯誤。
90–95 分鐘：產出檢查與回寫
-
驗證輸出。
-
追蹤失敗原因。
-
形成可重複的 agent 工作流。
第五部分：應用場景與課程總結（20 分鐘）
95–105 分鐘：實際應用場景
-
程式修復與測試生成。
-
新專案腳手架建立。
-
代碼審查與重構建議。
-
自動化 agent 開發 。
105–115 分鐘：常見問題與使用建議
-
何時選 9B、35B 或 397B。
-
本地部署與雲端部署的取捨。
-
如何管理長上下文與推理成本。
115–120 分鐘：課程總結
-
Ornith-1.0 的核心價值是自我優化的 agentic coding。
-
它的關鍵不只是模型能力，而是解題方法也能被學習。
-
最適合的使用方式，是把它當成可調用工具的 AI 工程夥伴。
